Cтраница 2
В любом из этих случаев персептронный алгоритм обучения сохраняется, если 8 умножается на величину каждого входа Х и это произведение добавляется к соответствующему весу. С целью обобщения вводится коэффициент скорости обучения г), который умножается на 8х, что позволяет управлять средней величиной изменения весов. [16]
Затем 5 умножается на величину OUT нейрона j, из которого выходит рассматриваемый вес. Это произведение в свою очередь умножается на коэффициент скорости обучения г ( обычно от 0 01 до 1 0), и результат прибавляется к весу. Такая же процедура выполняется для каждого веса от нейрона скрытого слоя к нейрону в выходном слое. [17]
В эти файлы заносится следующая информация: номер цикла, общее число предъявленных примеров, количество правильных и ошибочных фактов, количество ошибочных выходов сети, общее число ошибочных фактов, коэффициент скорости обучения, точность обучения / тестирования, средняя ошибка, среднеквадратическая ошибка, время обучения. Файлы имеют текстовый формат и могут быть обработаны любым текстовым редактором. Помимо этого, файлы могут быть обработаны программой NetMaker. Данная программа позволяет применить к данным тестовых файлов все средства анализа, описанные выше. [18]
Это простейшее правило контролируемого обучения ( дельта-правило) используется в однослойных сетях с одним уровнем настраиваемых связей между множеством входов и множеством выходов. При этом на каждом k - м шаге дляу - го нейрона вес / - и связи вычисляется по формуле Wjik W - D & wjik, где & wjik - Лбул л 8д TJk - Rjk, TJk - известное ( правильное) значение выходау-го нейрона; Rjk - рассчитанное значение выходау-го нейрона; xjik - величина сигнала на / - м входе, г ] - коэффициент скорости обучения. [19]
Это простейшее правило контролируемого обучения ( дельта-правило) используется в однослойных сетях с одним уровнем настраиваемых связей между множеством входов и множеством выходов. При этом на каждом k - u шаге для / - го нейрона вес / - и связи вычисляется по формуле wjik wjnk-i) Диу7Ь гДе & Wjik лЗдХ / г / ь & jk Tjk - Rj & Tjk - известное ( правильное) значение выходау - го нейрона; Rjk - рассчитанное значение выходау - го нейрона; xjik - величина сигнала на / - м входе, г - коэффициент скорости обучения. [20]
Если а равен 1 0, то новая коррекция игнорируется и повторяется предыдущая. В области между 0 и 1 коррекция веса сглаживается величиной, пропорциональной а. По-прежнему, г является коэффициентом скорости обучения, служащим для управления средней величиной изменения веса. [21]
На основе статистики тестирования и обучения выбирается промежуточное состояние сети, при котором фиксируется минимальное количество ошибочных тестовых фактов и малое значение среднеквадратической ошибки. Затем делается предположение, что в данном состоянии сеть находится вблизи глубокого минимума ошибки. Из сохраненного файла состояния извлекаются соответствующие промежуточные параметры сети, снижается коэффициент скорости обучения, задается новая частота тестирования и сохранения промежуточных состояний, и сеть запускается на дальнейшее обучение. [22]